[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-80651":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":9,"language":10,"languages":9,"totalLinesOfCode":9,"stars":11,"forks":12,"watchers":13,"openIssues":14,"contributorsCount":15,"subscribersCount":15,"size":15,"stars1d":14,"stars7d":14,"stars30d":14,"stars90d":15,"forks30d":15,"starsTrendScore":16,"compositeScore":17,"rankGlobal":9,"rankLanguage":9,"license":18,"archived":19,"fork":19,"defaultBranch":20,"hasWiki":19,"hasPages":19,"topics":21,"createdAt":9,"pushedAt":9,"updatedAt":22,"readmeContent":23,"aiSummary":24,"trendingCount":15,"starSnapshotCount":15,"syncStatus":25,"lastSyncTime":26,"discoverSource":27},80651,"AI_Renaissance","duolongworld\u002FAI_Renaissance","duolongworld","AI Renaissance — Trend as Leverage, Signal as Pulse, Cognition as Wealth.",null,"Python",51,21,8,1,0,3,46.63,"Apache License 2.0",false,"main",[],"2026-06-12 04:01:29","# AI Renaissance\n\n> 以多智能体架构，让AI时代的财富平权成为可能\n\n财富不该是信息差的专利。\n\nMedallion Fund 三十年年化 66%，但它只服务于最少数人——门槛 1000 万美元，还长期封盘。华尔街最锋利的武器，从来不会递到普通人手里。不是因为技术做不到，而是因为利润来自信息差，信息差一旦平权，alpha 就消失了。\n\n但 AI 改变了这件事的逻辑。\n\n当大模型把信息获取的边际成本压到接近零，当多智能体系统把机构级的研究能力封装成可复用的基础设施，信息差不再是一道墙——它变成了一条通道。能产生连接的人，就可以穿过这条通道。\n\nAI Renaissance 要做的，不是再造一座封闭的量化圣殿。而是把圣殿的门打开。\n\n---\n\n## 愿景：财富平权，认知先行\n\n我们相信三件事：\n\n**一、趋势是最顶级的杠杆。**\n\n短期波动是噪音，长期趋势是信号。一个人如果能在 2009 年看清移动互联网的趋势，在 2023 年看清 AI 算力的趋势，根本不需要做任何复杂交易——只需要在趋势起点买入，然后耐心等待。最大的 alpha 不是来自某个因子的微弱优势，而是来自对大趋势的早期识别和坚定持有。\n\n**二、信号是趋势的脉搏。**\n\n趋势不是猜出来的，是验证出来的。合同负债暴增 200% 是信号，经营现金流反超利润是信号，资本开支放量是信号，产业链预付款激增是信号——每一个信号都是趋势在财务报表上留下的脚印。读懂这些脚印，就能在趋势被所有人看到之前，提前站上去。\n\n**三、认知才是真正的财富。**\n\n给你一个代码和给你一套验证逻辑，后者值一万倍。因为代码会过期，逻辑可以复用。AI Renaissance 产出的不只是冷冰冰的买卖信号，更是一次完整的认知升级——为什么这笔交易值得做，背后的逻辑链是什么，风险在哪、确定性在哪。当你理解了这些，你就不再需要任何人告诉你该买什么。\n\n---\n\n## 核心命题\n\n投资决策的复杂度已经超出了单智能体的能力边界。但投资决策的本质，从未改变——在趋势的早期，用信号验证它，然后坐上去。\n\n一个人类投资者能同时追踪多少变量？五十？一百？而市场每天产生的有效信号维度是万级的。传统量化的做法是用统计压缩维度——主成分分析、因子正交化、信息比率筛选——本质是在做减法。减法意味着信息损失，信息损失意味着与趋势失之交臂。\n\n我们的做法完全相反：**不是压缩维度，而是扩充认知。**\n\n用一组专业化智能体，每个 Agent 只做一件事——但做到极致。有的只盯资金流向，有的只读财报原文，有的只解析产业趋势拐点，有的只监测情绪极端值。它们各自产出信号，在中央仲裁层碰撞、博弈、达成共识或对冲。这不是一个模型在做决策，而是一个认知生态系统在做决策。\n\n而这个生态系统的产出，不仅是交易指令，更是一份可理解、可验证、可学习的决策推理链——让你不仅知道 what，更理解 why。\n\n---\n\n## 架构：8 Agent + N Skill + 数据层\n\n```\n┌──────────────────────────────────────────────────────────────────┐\n│                  Orchestrator Agent（编排 Agent）                  │\n│     信号收集 → 权重聚合 → 方向判定 → 风险约束 → 推理链生成        │\n│                        开发2组负责                                  │\n└───────┬──────┬───────┬───────┬───────┬───────┬───────┬──────────┘\n        │      │       │       │       │       │       │\n   ┌────┴─┐ ┌──┴──┐ ┌──┴──┐ ┌──┴──┐ ┌──┴──┐ ┌──┴──┐ ┌──┴──┐\n   │财务  │ │技术  │ │资金  │ │宏观  │ │行业  │ │舆情  │ │风险  │\n   │Agent │ │Agent │ │Agent │ │Agent │ │Agent │ │Agent │ │Agent │\n   │专家1 │ │专家2 │ │专家3 │ │专家4 │ │专家5 │ │专家6 │ │专家7 │\n   ├──────┤ ├──────┤ ├──────┤ ├──────┤ ├──────┤ ├──────┤ ├──────┤\n   │financial│technical│fundflow│ macro │industry│ news │ risk │\n   │Skill    │Skill    │Skill   │Skill  │Skill   │Skill │Skill │\n   └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘\n      │        │        │        │        │        │        │\n      └────────┴────────┴────────┴────────┴────────┴────────┘\n                               │\n                               ▼\n   ┌──────────────────────────────────────────────────────────────┐\n   │ 每个专家 Agent 的运行关系                                      │\n   │ 读取 skills\u002F{domain}\u002F：专家判断规则、证据规则、Signal 输出规则  │\n   │ 读取 skills\u002Fdata\u002F：数据怎么调用、返回什么、失败怎么表示          │\n   │ 调用 data_sources\u002F：真实抓取、解析清洗、标准化返回               │\n   │ 输出标准 Signal：direction \u002F confidence \u002F reasoning \u002F meta      │\n   └──────────────────────────────────────────────────────────────┘\n```\n\n**8 个 Agent + N 个 Skill + 数据说明\u002F执行分层，从信号到认知：**\n\n### 🎯 Orchestrator Agent（编排）— 开发2组\n\n不加载 Skill，负责：信号收集 → 权重聚合 → 方向判定 → 风险约束 → 推理链生成 → 最终报告。\n\n### 📊 财务分析 Agent — 专家1组\n\n| 属性 | 值 |\n|------|-----|\n| signal_type | `financial` |\n| Skill 目录 | `skills\u002Ffinancial\u002F` |\n| 核心能力 | 七步验证链：看现金→看需求→看业绩→看产能→看扩张→看扩张风险→看利率敏感度 |\n\n### 📈 技术指标 Agent — 专家2组\n\n| 属性 | 值 |\n|------|-----|\n| signal_type | `technical` |\n| Skill 目录 | `skills\u002Ftechnical\u002F` |\n| 核心能力 | 趋势识别、量价分析、动量信号、支撑压力位 |\n\n### 💰 资金流向 Agent — 专家3组\n\n| 属性 | 值 |\n|------|-----|\n| signal_type | `fundflow` |\n| Skill 目录 | `skills\u002Ffundflow\u002F` |\n| 核心能力 | 主力资金追踪、北向资金、聪明钱动向 |\n\n### 🌍 宏观周期 Agent — 专家4组\n\n| 属性 | 值 |\n|------|-----|\n| signal_type | `macro` |\n| Skill 目录 | `skills\u002Fmacro\u002F` |\n| 核心能力 | 利率\u002F汇率\u002FPMI 解读，大周期位置判断 |\n\n### 🏭 行业景气 Agent — 专家5组\n\n| 属性 | 值 |\n|------|-----|\n| signal_type | `industry` |\n| Skill 目录 | `skills\u002Findustry\u002F` |\n| 核心能力 | 产业链景气度、行业拐点、竞争格局 |\n\n### 📰 舆情情感 Agent — 专家6组\n\n| 属性 | 值 |\n|------|-----|\n| signal_type | `news` |\n| Skill 目录 | `skills\u002Fnews\u002F` |\n| 核心能力 | 新闻情感分析、社交情绪追踪、把情绪变成可交易信号 |\n\n### ⚠️ 风险预警 Agent — 专家7组\n\n| 属性 | 值 |\n|------|-----|\n| signal_type | `risk` |\n| Skill 目录 | `skills\u002Frisk\u002F` |\n| 核心能力 | 尾部风险识别、仓位上限、守住不爆仓的底线 |\n| 特殊说明 | 也输出 Signal，参与仲裁博弈 |\n\n---\n\n## 当前状态（2026-05-23）\n\n项目还在早期建设阶段，README 前面的内容是目标架构，不代表所有能力都已经完成。\n\n| 模块 | 当前状态 |\n|------|----------|\n| Agent \u002F Signal 基础框架 | 已有 AgentScope-native `BaseAgent`、统一 `Signal`、专家 Agent 注册表和主流程调用链路 |\n| Orchestrator | 已有编排 Agent、仲裁引擎、执行追踪和 AgentScope 消息调用链路 |\n| 舆情 Agent | 已有业务实现，能编排大盘情绪、行业情绪和东方财富股吧数据，输出舆情类 Signal |\n| 宏观 Agent | 已有 7 层宏观分析流水线和推理链，可离线返回 macro Signal；当前使用基于 2024-06-28 真实宏观数据整理的固定样本 |\n| 技术 Agent | 已接入 `traditional_model_fusion`、`volume_price_reversal` 和 `company_evolution_analysis`，可通过真实\u002F注入 OHLCV 数据输出 technical Signal |\n| 财务\u002F资金\u002F行业\u002F风险 Agent | 当前能接入主流程并返回标准 Signal；`FinancialAgent`、`FundflowAgent`、`IndustryAgent`、`RiskAgent` 的 `analyze()` 仍返回占位 neutral Signal |\n| 数据层 | 已有东方财富、股吧、市场情绪、行业情绪、巨潮、AkShare、Market OHLCV、腾讯行情等数据源模块 |\n| CI | 已接入依赖检查、pytest、compileall、专家 Agent 契约检查、Orchestrator 仲裁契约检查、AgentScope 消息桥检查和 BaseAgent 原生调用检查；当前 compileall 覆盖 `main.py`、`agents`、`data_sources`、`debug_ui`、`samples`、`tests`，不代表所有 `skills\u002F` 下的实验脚本都会被编译或执行 |\n| AgentScope | `BaseAgent` 已继承 AgentScope `AgentBase`；Orchestrator 通过 AgentScope `Msg` 调用专家 Agent，并可把仲裁结果包装为 AgentScope `Msg` |\n\n下一阶段重点是：在保持统一运行契约稳定的前提下，继续补齐各专家 Agent 的业务逻辑、实时数据源和信号有效性验证。\n\n---\n\n## 与传统量化的根本区别\n\n| 维度 | 传统量化 | AI Renaissance |\n|------|----------|----------------|\n| 信息处理 | 压缩维度，因子筛选 | 扩充认知，多Agent并行感知 |\n| 信号来源 | 量价数据为主 | 全域信息（财报原文\u002F产业链\u002F地缘\u002F情绪\u002F另类） |\n| 决策机制 | 单模型输出 | 7个专家Agent博弈 + 编排Agent仲裁 |\n| Alpha来源 | 因子溢价\u002F统计套利 | 趋势识别 + 信号验证 + 认知带宽差 |\n| 输出物 | 交易指令（黑箱） | 交易指令 + 推理链（白箱） |\n| 用户关系 | 你只需要执行 | 你理解了才执行 |\n| 目标 | 赚钱 | 赚钱 + 让你学会自己赚钱 |\n\n---\n\n## 哲学：慢慢变富\n\n巴菲特说过，没有人愿意慢慢变富。但事实是——慢慢变富是最确定的变富方式。\n\n我们不信短线暴利，不信高频厮杀，不信零和博弈里能持续赢。我们信的是：\n\n**在趋势的早期站上去，用信号反复验证它，然后耐心持有。**\n\nMedallion 的秘密从来不是某个公式，而是一个组织——一群顶尖大脑各自做自己最擅长的事，在一个框架下协作。AI Renaissance 做的是同一件事，但有一个根本不同：\n\n**Medallion 的门是关着的。我们的门是开着的。**\n\n我们给你的不是鱼，也不是渔，而是整片海的认知地图。\n\n---\n\n## 快速开始\n\n### 不同角色先看什么\n\n- 新成员：先看 `docs\u002FGIT_WORKFLOW.md`、`docs\u002FCODING_AGENT_GUIDE.md` 和 `samples\u002FREADME.md`\n- 专家组：先看 `docs\u002FANALYSIS_SKILL_TEMPLATE.md`、`skills\u002Fexamples\u002Fcash_flow_quality_check\u002FSKILL.md`、`skills\u002Fexpert_skill_authoring\u002FSKILL.md`\n- 开发1组：关注 Agent 基类、Signal 规范、AgentScope 消息边界、Skill 注册机制、目录规范\n- 开发2组：关注 Orchestrator Agent、仲裁引擎、信号汇总、主流程调度\n- 开发3组：先看 `docs\u002FDATA_SKILL_TEMPLATE.md`，关注 `data_sources\u002F` 数据源封装和 `skills\u002Fdata\u002F` 数据接口说明\n\n### 核心术语\n\n- **Skill**：专家写的分析规则说明书，放在 `skills\u002F{domain}\u002F{skill_name}\u002FSKILL.md`\n- **Agent**：每个专家组的执行者，动态加载自己领域的 Skill，输出标准 Signal\n- **Signal**：系统统一读取的标准信号单，包含 direction\u002Fconfidence\u002Freasoning\u002Fsignals\u002Fmeta\n- **Orchestrator**：编排 Agent，收集7个专家信号，执行仲裁，生成最终报告\n- **数据层**：`data_sources\u002F` 放真实数据获取代码，`skills\u002Fdata\u002F` 说明调用参数、返回字段和失败格式；Agent 按说明调用数据源\n\n### 1. 安装依赖\n\n```bash\npip install -r requirements.txt\n```\n\n### 2. 运行测试\n\n```bash\npython -m pytest -q\n```\n\n测试包含专家 Agent 契约检查、Orchestrator 仲裁契约检查、AgentScope 消息桥检查和 BaseAgent 原生调用检查。它们只确认注册的专家 Agent 可以离线跑通、返回标准 `Signal`，基础仲裁结果保持结构稳定，并且专家 Agent 可以通过 AgentScope `Msg` 边界传递 `Signal`；不验证业务判断是否正确。\n\n### 3. 运行主流程\n\n```bash\npython main.py --stock 000001\n```\n\n主流程会将股票任务包装成 AgentScope `Msg`，通过专家 Agent 继承自 `BaseAgent` 的 AgentScope `__call__()` 收集 `Signal`，再交给 Orchestrator 仲裁。\n\n### 4. 检查 Agent 接入状态\n\n```bash\npython samples\u002Fagent_run_check_sample.py --stock 600519\n```\n\n这个样例逐个运行专家 Agent，打印运行状态和 `Signal` 摘要。详细说明见 `samples\u002FREADME.md`。\n\n### 5. Skill 编写\n\n专家组交付专业 Skill 内容；各 Agent 自动加载自己领域的 Skill。开发1组负责 Skill 模板、输出规范、目录规范和联调标准。\n\n参考 `docs\u002FANALYSIS_SKILL_TEMPLATE.md`，新专家分析 Skill 放在：\n\n```text\nskills\u002F{domain}\u002F{skill_name}\u002FSKILL.md\n```\n\n---\n\n## 项目结构\n\n```\nAIRenaissance\u002F\n├── agents\u002F                        # 8 Agent 扁平结构\n│   ├── base.py                    # Agent 基类（AgentScope-native）\n│   ├── signal.py                  # 统一 Signal\n│   ├── registry.py                # 专家 Agent 注册表\n│   ├── orchestrator\u002F              # 编排 Agent 和仲裁逻辑\n│   └── {financial,technical,fundflow,macro,industry,news_agent,risk}\u002F\n│\n├── data_sources\u002F                  # 数据执行层\n│\n├── skills\u002F                        # Skill 目录（专家分析 + 数据接口说明）\n│   ├── data\u002F                      # 数据接口说明 Skill\n│   ├── {financial,technical,fundflow,macro,industry,news,risk}\u002F\n│   ├── examples\u002F                  # 示例 Skill\n│   └── expert_skill_authoring\u002F    # 写 Skill 的 Skill\n│\n├── docs\u002F                          # 文档\n│   ├── GIT_WORKFLOW.md\n│   ├── CODING_AGENT_GUIDE.md\n│   ├── ANALYSIS_SKILL_TEMPLATE.md\n│   ├── DATA_SKILL_TEMPLATE.md\n│   ├── AGENT_MATRIX.md\n│   ├── AGENT_GUIDE.md\n│   ├── ARCHITECTURE.md\n│   └── TEAM.md\n│\n├── samples\u002F                       # 本地开发和联调用样例\n│   ├── README.md\n│   └── agent_run_check_sample.py\n│\n├── tests\u002F                         # pytest 测试目录\n│   ├── test_*.py                  # 跨 Agent 契约、Orchestrator、AgentScope 和共享基础设施测试\n│   ├── technical\u002F                 # 技术领域 Agent \u002F Skill runtime \u002F 模型测试\n│   └── data_sources\u002F              # 数据源测试\n│\n├── .github\u002F                       # PR 模板和 CI 工作流\n│   ├── PULL_REQUEST_TEMPLATE.md\n│   └── workflows\u002F\n│       └── ci.yml\n│\n├── main.py                        # 入口\n├── requirements.txt\n└── README.md\n```\n\n测试目录约定：`tests\u002F` 根目录只放跨 Agent 契约、Orchestrator、AgentScope 和共享基础设施测试；单个领域的 Agent \u002F Skill runtime \u002F 模型测试放到 `tests\u002F{domain}\u002F`；数据源测试放到 `tests\u002Fdata_sources\u002F`；不要把 CI 需要执行的正式测试放到 `skills\u002F**\u002Ftests\u002F`。\n\n---\n\n## 团队协作\n\n### 组职责（一句话版）\n\n| 组 | 组长 | 核心职责 |\n|---|---|---|\n| 开发1组（架构） | 荒唐 | 维护 Agent 基类、Signal 规范、AgentScope 消息边界、Skill 注册机制、Git 工作流 |\n| 开发2组（功能） | pkm | 实现 Orchestrator Agent、仲裁引擎、信号汇总、推理链生成、主流程调度 |\n| 开发3组（数据） | 过去，未来 | 统一封装数据源（data_sources\u002F），维护数据接口说明（skills\u002Fdata\u002F），让 Agent 只管编排和分析 |\n| 专家1组（财务） | 简简简水粽 | 维护财务分析 Agent，编写 financial 类 Skill，七步验证链 |\n| 专家2组（指标） | C曦 | 维护技术指标 Agent，编写 technical 类 Skill，趋势识别 |\n| 专家3组（资金） | Tao | 维护资金流向 Agent，编写 fundflow 类 Skill，聪明钱追踪 |\n| 专家4组（宏观） | 西西 | 维护宏观周期 Agent，编写 macro 类 Skill，大周期判断 |\n| 专家5组（行业） | 云水禅人 | 维护行业景气 Agent，编写 industry 类 Skill，行业拐点 |\n| 专家6组（舆情） | 小皮 | 维护舆情情感 Agent，编写 news 类 Skill，情绪交易信号 |\n| 专家7组（风控） | 荔枝枝 | 维护风险预警 Agent，编写 risk 类 Skill，守住底线 |\n| 综合组（PMO） | 猫猫 | 任务拆解、进度跟踪、PR Review 排班、版本发布 |\n| 气氛组（用户体验） | may | 调试 UI、Signal 可视化、文档可读性、新手友好度 |\n| 公共资源部 | 小荷 | 寻找全球顶级资源，提升这个项目全球影响力 |\n\n### 协作规则\n\n- **框架归开发1组** — 其他人不要改 `base.py`、`signal.py`、`registry.py`\n- **数据归开发3组** — 真实抓取逻辑进入 `data_sources\u002F`；`skills\u002Fdata\u002F` 只说明调用参数、返回字段和失败格式，Agent 不散落硬编码外部 API\n- **Skill 各组自维护** — 每个专家组维护自己领域目录下的 Skill\n- **Agent 各组自维护** — 每个专家组维护自己的 Agent 实现\n- **Orchestrator 归开发2组** — 仲裁逻辑、推理链、主流程调度\n- **PR 必须 Review** — 任何人提交，至少一人看过再合并\n\n---\n\n## License\n\n[Apache License 2.0](LICENSE)\n\n---\n\n## 第一步\n\n不是交易。是观察与理解。\n\n先让7个专家 Agent 跑起来，持续产出信号，但只记录、不执行。积累信号与实际市场走势的对照数据，验证每个 Agent 的独立预测能力，校准编排 Agent 的博弈参数。同时，推理链开始生成——每一条信号背后，都有一条完整的\"为什么\"。\n\n**只有当你理解了\"为什么\"，这笔交易才值得做。**\n\n我们信仰信号，但更信仰理解。信号让你这次做对，理解让你次次做对。\n\n---\n\n> **AI Renaissance — Trend as Leverage, Signal as Pulse, Cognition as Wealth.**\n","AI Renaissance 项目旨在通过多智能体架构实现财富平权，让普通人也能享受到专业级的投资分析服务。该项目利用Python语言构建了一个由8个专业化Agent组成的认知生态系统，每个Agent专注于特定领域的信号收集与分析，如财务、技术、资金流向等，并通过中央仲裁层进行信号的整合与决策推理。这种设计不仅提升了信息处理能力，还提供了可理解、可验证的决策逻辑链。适用于希望在投资决策中获得更全面市场洞察及趋势识别的个人投资者或小型机构。",2,"2026-06-11 04:01:30","CREATED_QUERY"]